По всем вопросам звоните:

+7 495 274-22-22

УДК: 620.18 DOI:10.33920/pro-01-2505-05

Цифровая платформа для ускоренной разработки материалов: статус, вызовы, перспективы, технологии

Александров Е.В. федеральное государственное автономное образовательное учреждение высшего образования «Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)», Россия, Москва, 105005, вн. тер. г. муниципальный округ Басманный, ул. 2-я Бауманская, д. 5, с. 1, E-mail: aleksandrov@bmstu.ru
Кольцов А.Ю. федеральное государственное автономное образовательное учреждение высшего образования «Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)», Россия, Москва, 105005, вн. тер. г. муниципальный округ Басманный, ул. 2-я Бауманская, д. 5, с. 1
Меликянц Д.Г. федеральное государственное автономное образовательное учреждение высшего образования «Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)», Россия, Москва, 105005, вн. тер. г. муниципальный округ Басманный, ул. 2-я Бауманская, д. 5, с. 1
Татунашвили Л.В. федеральное государственное автономное образовательное учреждение высшего образования «Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)», Россия, Москва, 105005, вн. тер. г. муниципальный округ Басманный, ул. 2-я Бауманская, д. 5, с. 1

При совершении научных открытий крайне важно, чтобы исследователи имели доступ к как можно большему набору данных, чтобы получить более полную картину характеристик материала. Другим фактором, ограничивающим способность ученого изобретать новые материалы, является недостаточное понимание основных физических и химических закономерностей, присущих исследуемой материальной системе. В настоящее время не существует стандартной процедуры обмена прогнозирующими алгоритмами и вычислительными методами между исследовательскими группами в различных областях знаний. Одновременно, разработка перспективных материалов и изделий определяется успешностью решения ряда научных и технологических задач. Сроки этих разработок существенно сокращаются, объём и значимость результатов решения повышаются с использование последних достижений в области цифрового материаловедения, искусственного интеллекта и организации технологического процесса.

Литература:

1. Chursin A.A. et al. Technological Platforms as a Tool for Creating Radical Innovations // Journal of the Knowledge Economy. — 2022. — Vol. 13, № 1. — P. 264–275.

2. Tabor D.P. et al. Accelerating the discovery of materials for clean energy in the era of smart automation // Nat Rev Mater. — 2018. — Vol. 3, № 5. — P. 5–20.

3. Shahzad K., Mardare A.I., Hassel A.W. Accelerating materials discovery: combinatorial synthesis, high-throughput characterization, and computational advances // Science and Technology of Advanced Materials: Methods. — 2024. — Vol. 4, № 1.

4. Flores-Leonar M.M. et al. Materials Acceleration Platforms: On the way to autonomous experimentation // Curr Opin Green Sustain Chem. — 2020. — Vol. 25. — P. 100370.

5. Zhang P. et al. Two-dimensional materials for miniaturized energy storage devices: from individual devices to smart integrated systems // Chem Soc Rev. — 2018. — Vol. 47, № 19. — P. 7426– 7451.

6. Bekemeier S. et al. Advancing Digital Transformation in Material Science: The Role of Workflows Within the MaterialDigital Initiative // Adv Eng Mater. — 2025.

7. Ramani K. et al. Integrated Sustainable Life Cycle Design: A Review // Journal of Mechanical Design. — 2010. — Vol. 132, № 9.

8. McKendry D.A., Whitfield R.I., Duffy A.H.B. Product Lifecycle Management implementation for high value Engineering to Order programmes: An informational perspective // J Ind Inf Integr. — 2022. — Vol. 26. — P. 100264.

9. Elahi M. et al. A comprehensive literature review of the applications of AI techniques through the lifecycle of industrial equipment // Discover Artificial Intelligence. — 2023. — Vol. 3, № 1. — P. 43.

10. Ghoroghi A. et al. Advances in application of machine learning to life cycle assessment: a literature review // Int J Life Cycle Assess. — 2022. — Vol. 27, № 3. — P. 433–456.

11. Diez-Olivan A. et al. Data fusion and machine learning for industrial prognosis: Trends and perspectives towards Industry 4.0 // Information Fusion. — 2019. — Vol. 50. — P. 92–111.

12. Zlobin I. et al. Pre-trained Mol2Vec Embeddings as a Tool for Predicting Polymer Properties // Chinese Journal of Polymer Science. — 2024. — Vol. 42, № 12. — P. 2059–2068.

13. Sharma A. et al. Advances in Computational Intelligence of Polymer Composite Materials: Machine Learning Assisted Modeling, Analysis and Design // Archives of Computational Methods in Engineering. — 2022. — Vol. 29, № 5. — P. 3341–3385.

14. Xu P. et al. New Opportunity: Machine Learning for Polymer Materials Design and Discovery // Adv Theory Simul. — 2022. — Vol. 5, № 5.

15. Andraju N. et al. Machine-Learning-Based Predictions of Polymer and Postconsumer Recycled Polymer Properties: A Comprehensive Review // ACS Appl Mater Interfaces. — 2022. — Vol. 14, № 38. — P. 42771–42790.

16. Pais Pereda J.J. et al. Analysis of Stability and Mechanical Properties of Al-Cr-Fe-Co-Ni-Cu HEA Based on Machine Learning // The Journal of Physical Chemistry C. — 2024. — Vol. 128, № 43. — P. 18489–18497.

17. Aglikov A.S. et al. New metrics for describing atomic force microscopy data of nanostructured surfaces through topological data analysis // Appl Surf Sci. — 2024. — Vol. 670. — P. 160640.

18. Zhang Y.-W. et al. Roadmap for the development of machine learning-based interatomic potentials // Model Simul Mat Sci Eng. — 2025. — Vol. 33, № 2. — P. 023301.

19. Gartner T.E., Jayaraman A. Modeling and Simulations of Polymers: A Roadmap // Macromolecules. — 2019. — Vol. 52, № 3. — P. 755–786.

20. Kruglov I.A. et al. Crystal structure prediction at finite temperatures // NPJ Comput Mater. — 2023. — Vol. 9, № 1. — P. 197.

21. Alexandrov E. V., Shevchenko A.P., Blatov V.A. Topological Databases: Why Do We Need Them for Design of Coordination Polymers? research-article // Cryst Growth Des. American Chemical Society. — 2019. — Vol. 19, № 5. — P. 2604–2614.

22. Serezhkin V.N. et al. Crystal-chemical role of malonate ions in the structure of coordination polymers // Russian Journal of Physical Chemistry A. — 2015. — Vol. 89, № 6. — P. 1018–1027.

23. Csukás B. et al. Knowledge based model for polymer composite design and production // Mater Des. — 2012. — Vol. 38. — P. 74–90.

24. Ishii M. et al. NIMS polymer database PoLyInfo (I): an overarching view of half a million data points // Science and Technology of Advanced Materials: Methods. — 2024. — Vol. 4, № 1.

25. Qiu H. et al. PolyNC: a natural and chemical language model for the prediction of unified polymer properties // Chem Sci. — 2024. — Vol. 15, № 2. — P. 534–544.

26. Ikram H., Al Rashid A., Koç M. Additive manufacturing of smart polymeric composites: Literature review and future perspectives // Polym Compos. — 2022. — Vol. 43, № 9. — P. 6355–6380.

27. Khalid M.Y. et al. 3D printing of magneto-active smart materials for advanced actuators and soft robotics applications // Eur Polym J. — 2024. — Vol. 205. — P. 112718.

28. Kablov E.N. et al. Next-Generation Materials and Digital Additive Technologies for the Production of Resource Parts in FGUP VIAM: IV. Development of Superalloys // Russian Metallurgy (Metally). — 2023. — Vol. 2023, № 12. — P. 1879–1887.

29. Kablov E.N. et al. Next-Generation Materials and Digital Additive Technologies for the Production of Resource Parts in FGUP VIAM: III. Adaptation and Creation of Materials // Russian Metallurgy (Metally). — 2023. — Vol. 2023, № 6. — P. 743–751.

30. Kablov E.N. et al. Next-Generation Materials and Digital Additive Technologies for the Production of Resource Parts in FGUP VIAM: II. Deviation Compensation and Control, HIP, and Heat Treatment // Russian Metallurgy (Metally). — 2022. — Vol. 2022, № 12. — P. 1529–1535.

31. Kablov E.N. et al. Next-Generation Materials and Digital Additive Technologies for the Production of Resource Parts in FGUP VIAM: I. Synthesis Materials and Technologies // Russian Metallurgy (Metally). — 2022. — Vol. 2022, № 6. — P. 611–618.

32. Parveez B. et al. Scientific Advancements in Composite Materials for Aircraft Applications: A Review // Polymers (Basel). — 2022. — Vol. 14, № 22. — P. 5007.

33. Peters A.B. et al. Materials design for hypersonics // Nat Commun. — 2024. — Vol. 15, № 1. — P. 3328.

34. Mat Yazik M.H., Ismail I. Aerospace structures and engines from polymer composites // Aerospace Materials. Elsevier, 2025. — P. 349–383.

35. Meshkov E.A., Yanilkin A.V. New method of atomistic modeling of α − α ′ phase transition in Fe–Cr alloy with effective accounting for vibrational entropy // Comput Mater Sci. — 2022. — Vol. 212. — P. 111563.

36. Wagner A., Rogers H., Le A. Exploring New Frontiers in Multi-Material Additive Manufacturing // IEEE Engineering Management Review. — 2024. — P. 1–9.

37. Mazalov P.B. et al. Heat-resistant cobalt-based alloys // Aviation Materials and Technologies. — 2021. — № 3. — P. 3–10.

38. Scott T. et al. High-tech infrastructure and economic growth: The Materials Genome Initiative // Sci Public Policy. — 2021. — Vol. 48, № 5. — P. 649–661.

39. Varlamova L.A., Erohin S. V., Sorokin P.B. Formation of Ultrathin Diamond Films on Metal Substrates via Graphene–Metal Bonding // J Phys Chem Lett. — 2024. — Vol. 15, № 48. — P. 11927– 11931.

40. Dhanasekar S. et al. A Comprehensive Study of Ceramic Matrix Composites for Space Applications // Advances in Materials Science and Engineering / ed. Chelladurai S.J.S. — 2022. — Vol. 2022. — P. 1–9.

41. Gorbovets M.A. et al. Research of characteristics of durability of the alloy of Co–Cr–Ni–W–Ta system, obtained by SLM // Proceedings of VIAM. — 2022. — № 2. — P. 111–121.

42. Gupta D. et al. Nanoarchitectonics: functional nanomaterials and nanostructures—a review // Journal of Nanoparticle Research. — 2022. — Vol. 24, № 10. — P. 196.

43. Ariga K. Materials nanoarchitectonics in a two-dimensional world within a nanoscale distance from the liquid phase // Nanoscale. — 2022. — Vol. 14, № 30. — P. 10610–10629.

44. Aglikov A. et al. Memristive Effect in Ti3C2Tx (MXene) Polyelectrolyte Multilayers // ChemPhysChem. — 2023. — Vol. 24, № 17.

45. Chen C. et al. Recent Advances in Solar Energy Full Spectrum Conversion and Utilization // ES Energy & Environment. — 2021.

46. Zhang Y., Xie Z., Ma Y. Utilization of Low-Energy Photons of Sunlight by Multiphoton Strategy: From Nature to Artificial Techniques // CCS Chemistry. — 2025. — Vol. 7, № 1. — P. 10–21.

47. Malik S., Muhammad K., Waheed Y. Nanotechnology: A Revolution in Modern Industry // Molecules. — 2023. — Vol. 28, № 2. — P. 661.

48. Tahir M.B. et al. Role of Nanotechnology in Photocatalysis // Encyclopedia of Smart Materials. Elsevier, 2022. — P. 578–589.

49. Chausali N., Saxena J., Prasad R. Nanotechnology as a sustainable approach for combating the environmental effects of climate change // J Agric Food Res. — 2023. — Vol. 12. — P. 100541.

50. Eremin R.A. et al. Hybrid DFT/Data-Driven Approach for Searching for New Quasicrystal Approximants in Sc-X (X = Rh, Pd, Ir, Pt) Systems // Cryst Growth Des. — 2022. — Vol. 22, № 7. — P. 4570–4581.

51. Korovin A.N. et al. Boosting heterogeneous catalyst discovery by structurally constrained deep learning models // Mater Today Chem. — 2023. — Vol. 30. — P. 101541.

52. Choudhary K. et al. Recent advances and applications of deep learning methods in materials science // NPJ Comput Mater. — 2022. — Vol. 8, № 1. — P. 59.

53. Guo K. et al. Artificial intelligence and machine learning in design of mechanical materials // Mater Horiz. — 2021. — Vol. 8, № 4. — P. 1153–1172.

54. Wang Z. et al. Data-driven modeling of process, structure and property in additive manufacturing: A review and future directions // J Manuf Process. — 2022. — Vol. 77. — P. 13–31.

55. Rodrigues J.F. et al. Big data and machine learning for materials science // Discov Mater. — 2021. — Vol. 1, № 1. — P. 12.

56. Marzari N., Ferretti A., Wolverton C. Electronic-structure methods for materials design // Nat Mater. — 2021. — Vol. 20, № 6. — P. 736–749.

57. Musil F. et al. Physics-Inspired Structural Representations for Molecules and Materials // Chem Rev. — 2021. — Vol. 121, № 16. — P. 9759–9815.

58. Xu P. et al. Small data machine learning in materials science // NPJ Comput Mater. — 2023. — Vol. 9, № 1. — P. 42.

59. Merchant A. et al. Scaling deep learning for materials discovery // Nature. — 2023. — Vol. 624, № 7990. — P. 80–85.

60. Zhang Y. et al. Topologically guided exfoliation of 3D metal-organic frameworks into nanosheets // Mater Chem Phys. — 2024. — Vol. 325. — P. 129804.

61. Murashov I. et al. Development of a fuse digital model for virtual testing of breaking capacity // Electrical Engineering. — 2024.

62. Borovkov A.I. et al. Synergistic Integration of Digital Twins and Neural Networks for Advancing Optimization in the Construction Industry: A Comprehensive Review // Construction materials and products. — 2024. — Vol. 7, № 4. — P. 7–7.

63. Kukushkin K., Ryabov Y., Borovkov A. Digital Twins: A Systematic Literature Review Based on Data Analysis and Topic Modeling // Data (Basel). — 2022. — Vol. 7, № 12. — P. 173.

Дата поступления: 04.03.2025. Дата принятия к публикации: 18.03.2025

Миссия цифровой платформы материалов, конструкций и технологий состоит в формировании технологического лидерства в области ускоренной разработки и внедрения материалов на основе технологий численного моделирования и искусственного интеллекта в проектировании материалов, процессов, изделий на всех уровнях их структурной организации для создания новой продукции [1].

Использование цифровой платформы связано со следующие категориями задач:

1. Расширение представлений о строении и свойствах перспективных материалов и композитов;

2. Проектирование и моделирование материалов, конструкций, изделий на протяжении всего жизненного цикла их существования.

3. Разработка производственных процессов и технологических линий и методик управления ими.

Объединение теоретических, вычислительных и экспериментальных исследований направлено на решение основной проблемы современного материаловедения, а именно ускорение и удешевление поиска и разработки новых материалов для перспективных приложений [2–4]. Эту проблема в настоящее время решается отдельно для конкретных классов материалов в приложении к поиску оптимальных характеристик для совершенствования энергетики, транспортных средств, строительства, машиностроения и др.

Серьезнейшие современные проблемы, такие как глобальное потепление, энергетический кризис, низкая гибкость производственных технологий, онкологические и инфекционные заболевания, низкая производительность и высокое энергопотребление техники, могут быть решены с использованием новых материалов и цифровых методов их дизайна. Элементы искусственного интеллекта и математическое моделирование уже представляют неотъемлемую часть химии и материаловедения. Для их развития формируются новый математический аппарат и модели описания корреляций «состав-структура-свойство». Накопление информации о структуре и свойствах материалов, расчет новых дескрипторов, построение математических моделей на основе новых технологий искусственного интеллекта позволяют создавать цифровые инструменты, позволяющие эффективно прогнозировать оптимальные варианты структурной организации и свойств кристаллов, аморфных веществ и композитов, что в совокупности называется цифровым дизайном материалов. Цифровой дизайн необходим для создания новых материалов, обладающих полезными свойствами, такими как сорбция, катализ, механический и химический отклик, ионная и электронная проводимость и др. Материалы, совмещающие в себе сразу несколько таких свойств особо ценны, так как могут заменять целый прибор и миниатюризировать сложные устройства [5].

Для Цитирования:
Александров Е.В., Кольцов А.Ю., Меликянц Д.Г., Татунашвили Л.В., Цифровая платформа для ускоренной разработки материалов: статус, вызовы, перспективы, технологии. Управление качеством. 2025;5.
Полная версия статьи доступна подписчикам журнала
Язык статьи:
Действия с выбранными: